NVIDIA desarrolla tecnologías de computación acelerada e inteligencia artificial utilizadas en videojuegos, centros de datos, computación en la nube, atención sanitaria, manufactura, automoción y robótica. Su trabajo abarca unidades de procesamiento gráfico, plataformas de IA, simulación y soluciones enfocadas en distintos sectores, como NVIDIA Omniverse para flujos de trabajo colaborativos en 3D, NVIDIA DRIVE para el desarrollo de vehículos autónomos y NVIDIA Clara para aplicaciones sanitarias. La empresa reúne grandes equipos técnicos que trabajan en la infraestructura y el software necesarios para la computación avanzada, la simulación y el análisis basado en inteligencia artificial.
Arquitecto sénior de soluciones de infraestructura y fiabilidad en la nube
Lidera la fiabilidad operativa de los clústeres GPU de socios de NVIDIA Cloud en EMEA. Automatiza la recuperación ante fallos, la observabilidad, el mantenimiento y las operaciones de Kubernetes a gran escala.
Descripción
- Lidera la estabilidad y fiabilidad de producción de los clústeres de socios de NVIDIA Cloud en EMEA.
- Define y mejora las métricas de fiabilidad y rendimiento de las cargas de trabajo para grandes clústeres GPU, y gestiona los presupuestos de errores de la plataforma.
- Desarrolla flujos automatizados de detección y recuperación ante fallos de GPU, nodos, red y almacenamiento.
- Automatiza el diagnóstico de fallos, el drenaje y aislamiento de nodos, los reinicios y los procedimientos para restablecer el servicio.
- Planifica y ejecuta el mantenimiento preventivo y los despliegues de firmware o avisos de campo, desde la revisión de riesgos y las implementaciones por etapas hasta la verificación.
- Integra herramientas de observabilidad y fiabilidad de flotas —como Prometheus, Grafana, Loki, DCGM, diagnósticos XID, GPUd y NVSentinel— con los sistemas de los socios.
- Coordina la respuesta a incidentes y las revisiones posteriores con NVEX, responsables técnicos de cuentas y equipos de operaciones de los socios.
- Dirige investigaciones de causa raíz, completa acciones correctivas y convierte incidentes recurrentes en automatizaciones, comprobaciones de estado o guías operativas.
- Gestiona los ciclos de vida y la fiabilidad de los nodos de Kubernetes en Kubernetes, KubeVirt, Slurm y planificadores compatibles con GPU.
- Define políticas de estado de los nodos y coordina actualizaciones, reinicios y el drenaje seguro de cargas de trabajo en nodos acelerados por GPU.
Requisitos
- Título de grado, máster o doctorado en informática, ingeniería eléctrica o informática, física, matemáticas o un campo relacionado, o experiencia equivalente.
- Al menos 8 años en ingeniería de fiabilidad de sitios, ingeniería de producción u operaciones de infraestructura a gran escala.
- Experiencia demostrada asumiendo responsabilidad por la fiabilidad de producción a escala, incluidos SLO y presupuestos de errores, guardias y dirección de incidentes, revisiones sin culpabilización y mejoras cuantificables de disponibilidad o del tiempo medio entre interrupciones.
- Experiencia práctica operando clústeres HPC o de IA e infraestructura GPU de NVIDIA, incluidos los ciclos de vida de controladores y CUDA Toolkit, firmware, análisis del rendimiento de cargas de trabajo y resolución de problemas de CPU, GPU e interconexiones de alta velocidad.
- Amplia experiencia operando Kubernetes en entornos GPU y HPC, incluidos los ciclos de vida de nodos, las actualizaciones y el drenaje, el comportamiento de los planificadores, Slurm y sistemas multiusuario mixtos bare metal y virtualizados.
- Dominio de Python y Bash, infraestructura como código y gestión de configuración, como Ansible y Terraform, gestión de flotas y actualizaciones basada en GitOps, y Prometheus, Grafana y Loki.
- Sólidos conocimientos de Linux, incluidos Red Hat y Ubuntu, ajuste y seguridad de sistemas operativos, fundamentos de redes de centros de datos y almacenamiento paralelo o empresarial, como Lustre, GPFS, ZFS y XFS.
- Experiencia planificando y ejecutando despliegues proactivos de firmware, microcódigo o avisos de campo en una gran flota de producción.
- Familiaridad con DCGM, diagnósticos XID, GPUd, NVSentinel, agentes de estado de nodos e inteligencia de fiabilidad de flotas.
- Experiencia con NVIDIA GPU Operator, NVIDIA Network Operator y NVIDIA Base Command Manager.
- Experiencia práctica con marcos de planificación de IA e inferencia en Kubernetes, como KAI, Grove, Dynamo y NVIDIA Cloud Functions.
- Dominio de redes RDMA como InfiniBand o RoCE; se valorará experiencia con Cumulus Linux, SONiC, Spectrum-X, DPU/DOCA y operaciones de particionado de NVLink/NVSwitch.